CS 229: Machine Learning

这篇适合谁读

这篇适合希望补 AI、LLM、系统、视觉或生成模型基础的人阅读。它把课程定位、学习价值和适合产出的笔记方向整理成公开路线，便于按目标选择课程。

斯坦福最经典的机器学习课程，吴恩达（Andrew Ng）团队主讲。涵盖统计模式识别、线性/非线性回归、SVM、核方法、深度学习、聚类、降维、强化学习等。

基本信息

课程简介

涵盖统计模式识别、线性/非线性回归、非参数方法、指数族分布、GLMs、支持向量机、核方法、深度学习、模型/特征选择、学习理论、聚类、密度估计、EM 算法、降维（PCA/ICA）、强化学习与自适应控制、马尔可夫决策过程等。

先修要求

• CS106A/B/X（编程）
• CS109 / MATH151 / STATS 116（概率）
• MATH51 / CS205（线性代数与微积分）

公开资源

• YouTube: Andrew Ng 经典讲座
• Coursera: 1000 万+ 学员的 ML 入门课
• GitHub: 完整笔记、习题集、考试

与个人发展的关联

• 全球最著名的 ML 入门课，所有后续 AI 课程的基础
• 打好 ML 基础后才能深入学习 LLM、RLHF 等前沿方向
• Coursera 版本可免费旁听

状态

已收录课程基本信息，待后续深入学习。